python实现模糊操作

目录：

（一）模糊或平滑与滤波的介绍

（二）均值模糊

（1） 原理

（2）代码实现-----均值模糊函数blur()

（三）中值模糊------mediaBlur函数

（四）高斯模糊------GaussianBlur函数

（五）方框滤波------boxFliter函数

（六）双边滤波------bilateralFilter()函数

（七）自定义模糊filter2D

（1）介绍

（2）实现中值模糊

（3）实现锐化处理

（八）边缘保留滤波------EPF

（1）高斯双边

（2）均值迁移

正文：

（一）模糊或平滑或滤波的介绍

平滑 也称 模糊, 是一项简单且使用频率很高的图像处理方法。平滑处理的用途有很多， 但是在本教程中我们仅仅关注它减少噪声的功用。从滤波角度来讲，一般主要的目的都是为了实现对图像噪声的消除，增强图像的效果。

• 平滑处理时需要用到一个 滤波器 。 最常用的滤波器是 线性 滤波器，线性滤波处理的输出像素值 (i.e. ) 是输入像素值 (i.e. )的加权和 :

  

   称为 核, 它仅仅是一个加权系数。

  不妨把 滤波器 想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口滑过图像。

• 滤波器的种类有很多， 这里仅仅提及最常用的。

（二）均值模糊

（1） 原理

• 最简单的滤波器， 输出像素值是核窗口内像素值的 均值 ( 所有像素加权系数相等)

• 核如下:

  

比如一个3*3的模板其实就可以如下表示：

（2）代码实现-----均值模糊函数blur()

均值模糊函数blur()，定义：blur(src,ksize,dst=None, anchor=None, borderType=None)。定义是有5个参数，但最后三个均为none,所以也就2个参数

src：要处理的原图像，ksize: 周围关联的像素的范围。

def blur_demo(image):   #均值模糊
    dst = cv.blur(image,(3,3))  #ksize是卷积核大小3行3列,列数越大模糊越大
    cv.imshow("blur_demo",dst)

（三）中值模糊------mediaBlur函数

中值滤波模板就是用卷积框中像素的中值代替中心值，达到去噪声的目的。这个模板一般用于去除椒盐噪声。中值滤波对于这些白点噪声的去除是非常的好的。

前面的滤波器都是用计算得到的一个新值来取代中心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他，卷积核的大小也是个奇数。
中值模糊函数medianBlur(): 定义：medianBlur(src, ksize, dst=None)。ksize与blur()函数不同，不是矩阵，而是一个数字，例如为5，就表示了5*5方阵

 1 def median_blur_demo(image):   #中值模糊,对于椒盐噪声的去噪效果好，去掉图片中的一些黑点等
 2     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
 3     for i in range(2000):  # 添加点噪声,白色
 4         temp_x = np.random.randint(0, gray.shape[0])
 5         temp_y = np.random.randint(0, gray.shape[1])
 6         gray[temp_x][temp_y] = 255
 7
 8     cv.imshow("median_blur_gray", gray)
 9     dst = cv.medianBlur(gray,5)  #ksize是卷积核大小1行3列,列数越大模糊越大
10     cv.imshow("median_blur_demo",dst)

（四）高斯模糊------GaussianBlur函数

https://www.cnblogs.com/april0315/p/13593743.html

（五）方框滤波

默认是归一化处理的，也就是normalize没有这个参数时

5*5核很容易发生溢出（每个像素点的值都保留在255），最后图片为白色，2*2的核可能不会。

（六）双边滤波------bilateralFilter()函数

定义：bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
d：邻域直径
sigmaColor：颜色标准差

sigmaSpace：空间标准差

1 src2 = cv.bilateralFilter(src1, 5, 5, 2) 2 cv.imshow("双边滤波", src2)

（七）自定义模糊filter2D（上面是封装在2D滤波器之上）

（1）介绍

Opencv提供的一个通用的2D滤波函数为cv2.filter2D()，
滤波函数的使用需要一个核模板，对图像的滤波操作过程为：将和模板放在图像的一个像素A上，求与之对应的图像上的每个像素点的和，
核不同，得到的结果不同，而滤波的使用核心也是对于这个核模板的使用，需要注意的是，该滤波函数是单通道运算的，
也就是说对于彩色图像的滤波，需要将彩色图像的各个通道提取出来，对各个通道分别滤波才行。

（2）实现中值模糊

1 def custom_blur_demo(image):   #自定义模糊
2     kernel = np.ones([5,5],np.float32)/25   #声明二维数组5*5，初始化1，保证值不溢出，除以数组大小,实现中值模糊  自定义卷积核的算子
3     dst = cv.filter2D(image,-1,kernel)
4     cv.imshow("custom_blur_demo",dst)

上述生成的5*5核模板其实就是一个均值滤波。,当我们是/25就是中值滤波，归一化处理

（3）实现锐化处理

1 def custom_blur_demo(image):   #自定义模糊
2     kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) #实现锐化处理，提高图像的对比度，提高立体感，轮廓更加清晰
3     dst = cv.filter2D(image,-1,kernel)
4     cv.imshow("custom_blur_demo",dst)

（八）边缘保留滤波------EPF

opencv实现EPF有两种传统方法，高斯双边和均值迁移

（1）高斯双边

差异越大，越会完整保留

 1 def bi_demo(image):
 2     dst = cv.bilateralFilter(image,0,100,15)  #第二个参数d是distinct，我们若是输入了d,会根据其去算第3或4个参数，我们最好是使用第3或4个参数反算d,先设为0
 3     cv.imshow("bi_demo",dst)
 4
 5 src = cv.imread("./1.png")  #读取图片
 6 cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)    #创建GUI窗口,形式为自适应
 7 cv.imshow("input image",src)    #通过名字将图像和窗口联系
 8 bi_demo(src)
 9 cv.waitKey(0)   #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作
10 cv.destroyAllWindows()  #销毁所有窗口

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None): # real signature unknown; restored from __doc__

d, sigmaColor, sigmaSpace-------0，越大，越小

值域和空域的两个方差sigma可以简单的设置为相等，小于10，无太大效果，大于150效果太强，像卡通片似的。

滤波器尺寸d：大于5将较慢（5 forreal-time），d=9，for off-lineapplications，d 是像素邻域“直径”。计算的半径，半径之内的像数都会被纳入计算，如果提供-1，会从后面的参数sigmaSpace中自动计算。

Sigma_color颜色空间过滤器的sigma值，这个参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。

Sigma_space坐标空间中滤波器的sigma值，如果该值较大，则意味着颜色相近的较远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace五官，否则d正比于sigmaSpace.  双边滤波的内在想法是：在图像的值域（range）上做传统滤波器在空域（domain）上做的工作。空域滤波对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少；值域滤波则是对像素值相近的点进行加权平均，加权系数随着值差的增大而减少。

对于第三个参数:d来说一般来说，要想得到比较好的结果，3、4、5参数最好都指定。

第三个参数如果设定值大于5，那计算会很慢，所以一般设置都等于5，如果少数情况需要去除比较大的噪声，那么d=9。要取得较好的平滑效果，最好在9附近

d或者Sigma_space设置的越大，包含的范围越大，耗时越长

（2）均值迁移

def pyrMeanShiftFiltering(src, sp, sr, dst=None, maxLevel=None, termcrit=None): # real signature unknown; restored from __doc__

1 def shift_demo(image):
2     dst = cv.pyrMeanShiftFiltering(image,10,50)  #第二个参数d是distinct，我们若是输入了d,会根据其去算第3或4个参数，我们最好是使用第3或4个参数反算d,先设为0
3     cv.imshow("shift_demo",dst)

第一个参数src，输入图像，8位，三通道的彩色图像，并不要求必须是RGB格式，HSV、YUV等Opencv中的彩色图像格式均可；

第二个参数sp，定义的漂移物理空间半径大小；　　#越大，细节丢失越多

第三个参数sr，定义的漂移色彩空间半径大小；
第四个参数dst，输出图像，跟输入src有同样的大小和数据格式；

第五个参数maxLevel，定义金字塔的最大层数；

第六个参数termcrit，定义的漂移迭代终止条件，可以设置为迭代次数满足终止，迭代目标与中心点偏差满足终止，或者两者的结合；

参考：

https://www.cnblogs.com/ssyfj/p/9267648.html

https://blog.csdn.net/u011321546/article/details/79578029